[发明专利]模型训练、对象分类方法和装置、电子设备及存储介质

权利要求书

1.一种用于人脸识别的对象分类模型训练方法，其特征在于，包括：

获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量，其中，该样本对象为多个，且与多个样本标签具有一一对应关系；

基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在该分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系；

基于所述相似概率参数计算得到分类损失，并基于该分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，所述样本对象为样本图像，所述对象分类模型用于对目标图像的类型进行分类确定；所述目标图像为人脸图像；

所述分类算法包括指数函数，所述基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数的步骤，包括：

针对每一个对象向量，基于第一指数函数计算该对象向量与目标标签向量之间的第一相似参数，其中，该目标标签向量对应的样本标签与该对象向量对应的样本对象之间具有对应关系，且在该第一指数函数中，指数的值与对象向量和目标标签向量之间的向量夹角具有线性关系；

针对每一个对象向量，基于第二指数函数计算该对象向量与每一个其它标签向量之间的第二相似参数，其中，该其它标签向量为全部标签向量中所述目标标签向量以外的标签向量；

针对每一个对象向量，基于归一化函数对该对象向量的第一相似参数和第二相似参数进行处理，得到相似概率参数。

2.根据权利要求1所述的对象分类模型训练方法，其特征在于，所述第一指数函数中包括第一乘性惩罚因子、第二乘性惩罚因子和加性惩罚因子，所述方法还包括：

获得响应用户的第一参数配置操作生成的第一参数配置指令；

基于所述第一参数配置指令对所述第一乘性惩罚因子、所述第二乘性惩罚因子和所述加性惩罚因子，分别进行赋值处理；

其中，所述第一乘性惩罚因子的数值与分类的类间聚合度之间具有正相关关系，所述第二乘性惩罚因子与分类的类数量之间具有正相关关系，所述加性惩罚因子与分类的准确度之间具有正相关关系。

3.根据权利要求2所述的对象分类模型训练方法，其特征在于，所述第一指数函数包括：

其中，χ为所述第一相似参数，a为所述第一乘性惩罚因子，s为所述第二乘性惩罚因子，b为所述加性惩罚因子，θ_yt为所述对象向量和所述目标标签向量之间的向量夹角。

4.根据权利要求1-3任意一项所述的对象分类模型训练方法，其特征在于，该方法还包括：

获得响应用户的第二参数配置操作生成的第二参数配置指令；

基于所述第二参数配置指令对指数函数进行配置处理，得到第二指数函数，其中，在该第二指数函数中，指数的值与对象向量和其它标签向量之间的向量夹角具有非线性关系。

5.根据权利要求4所述的对象分类模型训练方法，其特征在于，在所述第二指数函数中，指数的值与对象向量和其它标签向量之间的向量夹角具有余弦的非线性关系，所述第二指数函数包括：

其中，φ为所述第二相似参数，s为第二乘性惩罚因子，且该第二乘性惩罚因子与分类的类数量之间具有正相关关系，θ_j为所述对象向量和所述其它标签向量之间的向量夹角。

6.一种用于人脸识别的对象分类方法，其特征在于，包括：

将获得的目标对象输入至预设的对象分类模型，其中，该对象分类模型基于权利要求1-5任意一项所述的用于人脸识别的对象分类模型训练方法进行训练得到；

通过所述对象分类模型对所述目标对象进行类型识别处理，得到该目标对象的对象类型，其中，该目标对象为目标图像；所述目标图像为人脸图像。